[論文レビュー] Improved approximation bounds for Vector Bin Packing

Chetan S. Rao, Jeffrey John Geevarghese+1 more|arXiv (Cornell University)|Jul 8, 2010

Optimization and Packing Problems参考文献 11被引用数 5

ひとこと要約

本稿は、次元数 d ≥ 2 の高次元におけるベクトルビンパッキング問題（VBP）に対して、線形計画法の緩和と変更を加えた最初にフィット（first-fit）のグリーディヒューリスティックを組み合わせた、新しい近似アルゴリズムを提示する。大規模な入力に対して、次元数 d にかかわらず 2-OPT の近似保証を達成し、従来の (ln d + 1 + ε)-近似境界を著しく上回る。

ABSTRACT

In this paper we propose an improved approximation scheme for the Vector Bin Packing problem (VBP), based on the combination of (near-)optimal solution of the Linear Programming (LP) relaxation and a greedy (modified first-fit) heuristic. The Vector Bin Packing problem of higher dimension (d \geq 2) is not known to have asymptotic polynomial-time approximation schemes (unless P = NP). Our algorithm improves over the previously-known guarantee of (ln d + 1 + epsilon) by Bansal et al. [1] for higher dimensions (d > 2). We provide a θ(1) approximation scheme for certain set of inputs for any dimension d. More precisely, we provide a 2-OPT algorithm, a result which is irrespective of the number of dimensions d.

研究の動機と目的

• 次元数 d ≥ 2 の場合における、多次元ベクトルビンパッキング（VBP）に対する漸近的多項式時間近似スキーム（APTAS）の欠如に対処すること。
• 高次元 VBP における既存の (ln d + 1 + ε)-近似境界を改善すること。
• 次元数 d に依存しない近似保証を達成し、特に大規模な入力に対して θ(1) の性能を達成すること、特に 2-OPT の境界を達成すること。
• LP緩和の解に基づいて戦略を適応的に変更するハイブリッドアルゴリズムを設計すること。

提案手法

• VBP を整数線形計画問題（ILP）として定式化し、整数制約を緩和して線形計画問題（LP）緩和を得る。
• 二分探索を用いて、緩和された LP が実行可能となる最小のビン数 m' を特定し、m' ≤ OPT であることを保証する。
• m' の値に基づいて入力を3つのケースに分類する：m ≥ n/2、m ≤ √(n/d)、または中間領域。
• 各ケースに応じて異なるヒューリスティックを適用する：m が大きい場合は FirstFit、m が小さい場合は GreedyLP、中間の場合は IterativePack。
• IterativePack では、高い利得（x_ij z_ij の和 ≥ 1/2）を持つビンを特定し、x_ij 値を降順にソートし、x_ij ≥ 1/2 を満たすもののみをパッケージングすることで、ビンの使用数を削減する。
• 双対変数 z_ij を用いてビン選択をガイドし、反復段階におけるパッケージング効率を向上させる。

実験結果

リサーチクエスチョン

• RQ1 多次元ベクトルビンパッキング問題に対して、次元数に依存しない近似保証を達成できるか？
• RQ2 LP緩和とグリーディヒューリスティックを組み合わせることで、従来の (ln d + 1 + ε) の境界を上回る近似比が達成できるか？
• RQ3 入力が大規模な場合、次元数 d にかかわらず 2-OPT の近似が達成可能か？
• RQ4 LP 解の構造をどのように活用することで、性能が有界となるようにビンパッキング意思決定をガイドできるか？

主な発見

• 提案されたアルゴリズムは、次元数 d に依存しない 2-OPT の近似保証を、大規模な入力に対して達成する。
• m ≤ √(n/d) の入力に対しては、GreedyLP ヒューリスティックにより、最適値の 2 倍以内のビン数が使用されることを保証する。これは、ほぼ最適なビン利用率のおかげである。
• IterativePack 段階では、各反復で x_ij ≥ 1/2 を満たすベクトルのみをパッケージングするため、最適値の 2 倍を超えるビン数が使用されない。
• 特定の入力クラスに対して、アルゴリズムの性能は θ(1) の近似比で有界となり、Bansal らの (ln d + 1 + ε) の境界を上回る。
• 高利得ビンに注目することで、各反復後に残存するベクトル数を効果的に削減し、効率的なパッケージングを実現する。